National Agriculture Imagery Program
PulseAugur coverage of National Agriculture Imagery Program — every cluster mentioning National Agriculture Imagery Program across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
地理人工智能工作流程绘制城市树冠及其与城市温度的联系
研究人员开发了一种新的光学地理人工智能工作流程，用于评估加州戴维斯市的城市树冠覆盖。该方法利用高分辨率图像和深度学习模型（如 DeepForest 和 Segment Anything Model (SAM)）来识别和绘制单个树冠和整体树冠表面的地图。该工作流程成功绘制了该市 9.37% 的树冠地图，与现有的激光雷达辅助产品高度一致，并揭示了树冠覆盖与地表温度之间的负相关关系，强调了城市绿化在缓解高温方面的重要性。
-
GeoAI教程详解使用U-Net、DINO、SAM和Mask R-CNN构建足迹提取
本教程详细介绍了使用多种深度学习模型从航空影像中提取建筑足迹的GeoAI工作流程。内容涵盖地理空间环境的设置、使用带有ResNet-34编码器的U-Net模型进行训练以及执行推理。该过程还包括将分割掩码转换为多边形、评估性能指标，以及探索Grounding DINO和SAM的零样本分割，并与预训练的Mask R-CNN模型进行结果比较。
-
新的AI工作流程使用卫星影像和SAM 3绘制农田范围
研究人员开发了一种新的工作流程，使用1米NAIP影像来绘制农田范围和边界。该方法结合了使用Dice主导损失训练的残差U-Net模型和文本提示的Segment Anything Model (SAM 3)。该方法取得了高精度，组合模型在果园行和碎片化地块等具有挑战性的数据集上显示出显著的改进。由此产生的语义农田范围层可以在现有地块地图不足的情况下支持农业监测。
-
新数据集CAFOSat利用AI助力CAFO测绘
研究人员开发了CAFOSat，这是一个旨在利用高分辨率图像改进集约化畜禽养殖场（CAFO）测绘的新数据集。该数据集整合了卫星图像和对谷仓、粪池等基础设施的精细标注，解决了数据不一致和布局带来的挑战。CAFOSat包含20个州的45,000多个图像块，并可作为评估各种AI模型（包括卷积、基于Transformer和视觉-语言架构）的基准。